引言

7月28日，World Labs 官方博客发布《Building Worlds That Train Robots》，宣布完成对机器人仿真公司 SceniX 的收购。创始人李飞飞与 a16z 核心合伙人 Martin Casado 公开对谈，正式提出 Real‑to‑Sim‑to‑Real（R2S2R）真实—仿真—真实闭环技术范式。

R2S2R 首次打通了“真实世界→仿真环境→真实部署”的完整闭环，让仿真不再是脱离现实的孤立沙盒，而是可被真实数据持续校准的动态系统。本文拆解这一范式的核心逻辑，并结合天耀蜂巢 Echomos 在低空飞行器训练场景的落地实践，解读其产业价值。

一、Sim2Real 是“单向道”，R2S2R 是“闭环飞轮”

过去十年，行业通用的 Sim2Real 是一条单向技术链路：人工构建虚拟场景→仿真训练策略→模型迁移至真实设备。它的核心局限在于——仿真训练的效果，只有通过“真机试了才知道”来验证：策略在真机上表现不佳时，工程师只能凭经验猜测问题出在场景建模、物理参数还是算法，再手动调整、重新训练，反复循环。这种“试错—猜测—返工”的链路，让仿真长期处于“辅助参考”的位置，难以成为机器人规模化训练的核心生产力。

R2S2R 范式包含 Real‑to‑Sim 与 Sim‑to‑Real 两大技术环节，二者分工各不相同：

Real‑to‑Sim（真实到仿真）：拿现实里采集到的真实数据，复刻出高度贴合现实的虚拟环境——不光是样子像，物理运动、反馈效果也要尽量与现实保持一致。

Sim‑to‑Real（仿真到真实）：在虚拟仿真环境里训练算法策略，挖掘容易出错、容易失败的边界场景，再把调好的策略装到真实硬件上实际运行。

R2S2R仿真-真机对齐实验图表

两个环节首尾衔接，便构成一套可自我迭代的闭环：从现实中提取任务，通过 Real‑to‑Sim 构建高保真虚拟世界；在仿真中规模化生成经验、训练并挖掘失败案例；再经由 Sim‑to‑Real 将策略部署回现实；真机运行产出的新结果，再次反哺输入，持续修正世界模型、训练数据与机器人策略。周而复始，闭环越转越快，飞轮效应由此形成。

二、为什么真实数据回灌比纯仿真更重要

机器人训练的瓶颈不在模型架构，而在经验和评估无法规模化。真实世界的物体位置、光照、物理属性不断变化；机器人的每一条经验都需要真实发生，每一轮实验都要占用硬件、人工重置与恢复。即便拥有海量人类视频，也很难系统覆盖不同环境、物体属性、机器人状态与失败条件。

纯仿真存在天然短板：仿真与现实之间存在视觉、几何与物理动态上的差距；机器人在仿真中学会的策略，到了真实世界未必有效。核心症结在于——仿真若没有真实数据持续校准，其精度与可信度无从验证，也无从迭代提升。

R2S2R 的解法，是让仿真成为一个可被真实数据持续校准的系统。真实数据回流的价值，体现在三个层面：

校准。用真机飞行数据修正仿真物理参数，让仿真环境持续逼近真实物理世界。

扩充。将真机中发现的边界案例与失效场景回灌至仿真场景库，持续覆盖长尾工况。

验证。建立仿真预测与真机实测的差异量化指标，驱动仿真可信度持续提升。

李飞飞在对谈中明确判断：仿真不是“可选项”，而是“必选项”——因为它提供了真实数据无法替代的反事实推理能力，让机器人提前应对那些尚未发生或难以大量采集的真实场景。

三、为什么低空飞行器训练尤其需要闭环

R2S2R 是通用技术范式，但低空飞行器训练对“真实数据闭环回灌”的依赖尤为刚性，原因来自三重硬约束。

真机试错窗口极窄。坠毁风险、空域合规与地面安全，使得极端气象、动力故障、突发障碍等场景几乎不允许在真实世界中复现，真机试错的代价不可承受。

开放空域长尾场景不可穷举。城市低空的障碍物分布、气象条件、电磁环境组合近乎无限，仅凭人工建模无法覆盖。

适航合规需要可验证的训练证据链。审定机构要求训练过程可控、可追溯、可复现，仿真与真机之间的差异必须可被量化、被解释。

这三重特征共同决定了：在低空飞行器训练中，没有真实数据闭环回灌的仿真，无法支撑规模化、安全化、合规化的产业落地。

四、Echomos 天耀蜂巢：R2S2R 理念在低空场景的率先落地

北京天耀宏图科技股份有限公司在低空具身智能领域率先推出 Echomos 天耀蜂巢低空具身智能训练场，依托自研的 GreatMap 天耀万象物理世界模型，构建起“虚拟仿真—真机验证—数据回流迭代”的完整业务闭环。

该系统打通空间真值数据生成、物理仿真与合成传感数据三大引擎：可利用卫星遥感影像快速生成附带地理坐标与语义标签的高保真三维场景；融合游戏级渲染能力与风雨雷电、空气动力学等物理算法；支持多谱段传感器仿真，可日产十万级高质量训练数据集。

在闭环实现机制上，Echomos 天耀蜂巢将 R2S2R 范式做工程化拆解，落地为三步实操流程：

Real‑to‑Sim（真实→仿真）：融合遥感影像、实景三维、空域测绘与真机飞行轨迹等多源真实数据，自动构建厘米级精度的低空数字化仿真空域，完整复刻地理坐标、障碍物分布与气象条件等现实要素，搭建高保真仿真世界。

Sim‑to‑Real（仿真→真实）：在与现实真值对齐的仿真空域内，对航路规划、动态避障、应急处置等算法开展批量训练与筛选，将经过验证的高可信策略下发至真实无人机开展实飞测试。

Real‑to‑Sim again（真机数据再次回流仿真）：采集无人机实飞产生的姿态、动力输出、传感信息与故障异常等全量数据回灌仿真引擎，迭代更新虚拟场景与动力学参数，持续缩小仿真与现实的差异，驱动闭环不断进化。

目前，Echomos 天耀蜂巢方案已在某国家级全空间无人体系示范项目中落地，完成了多型号巡检与物流无人机的仿真验证与策略迭代。

结语：从“单向迁移”到“虚实飞轮”

单纯的仿真迁移时代正在过去。以真实数据闭环回灌为根基、以虚实持续迭代为核心的 R2S2R 技术体系，正在成为低空飞行器规模化智能训练的基础设施。Echomos 天耀蜂巢是国内率先将这一理念工程化落地的技术体系，为低空具身智能的规模化、安全化与合规化，提供了可验证、可复现、可迭代的工程路径。

天耀简介

天耀宏图作为国家级专精特新“重点小巨人”企业和人社部批准设立的博士后科研工作站，天耀宏图始终以自主创新为立身之本，专注于物理世界模型（Physical AI）与空间智能领域的核心技术攻关。公司深度融合自研空间智能平台与AI视觉立体定位技术，构建从空间感知、智能建模到实时交互的全链路能力，面向政务、产业、具身智能应用场景与社会大众输出新一代物理世界大模型服务能力，深度拥抱全球人工智能由“数字世界”向“物理世界”演进的范式转移趋势。